five

Old Newspapers

收藏
阿里云天池2026-05-13 更新2024-03-07 收录
下载链接:
https://tianchi.aliyun.com/dataset/145004
下载链接
链接失效反馈
官方服务:
资源简介:
The HC Corpora was a great resource that contains natural language text from various newspapers, social media posts and blog pages in multiple languages. This is a cleaned version of the raw data from newspaper subset of the HC corpus. Originally, this subset was created for a language identification task for similar languages.
提供机构:
阿里云天池
创建时间:
2023-01-30
搜集汇总
数据集介绍
main_image_url
背景与挑战
背景概述
该数据集是HC Corpora的清理版本,包含来自67种语言报纸的16,806,041个句子或段落,以.tsv文件格式存储,每行包括语言、来源、日期和文本列。它最初为相似语言的识别任务而创建,适用于语言检测和语料库语言学探索。
以上内容由遇见数据集搜集并总结生成
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作